黑色星期五的數(shù)據(jù)探索分析EDA 實戰(zhàn)

1. 前置知識

什么是黑色星期五？

黑色星期五可以簡單理解為國外的雙十一，是指十一月第四個星期五，各大商場都會推出大量的打折和優(yōu)惠活動的日子。

數(shù)據(jù)EDA 的研究目的是什么？

數(shù)據(jù)分析不是為了分析而分析，而是要通過數(shù)據(jù)分析來達到某種目的。對黑色星期五銷售數(shù)據(jù)進行分析，是希望通過數(shù)據(jù)分析來更好地了解客戶購買行為。同時可以為算法建模提供好數(shù)據(jù)支持。

項目簡介

黑色星期五數(shù)據(jù)BlackFriday 探索性分析EDA該數(shù)據(jù)集包括從零售商店獲得的銷售交易數(shù)據(jù)。這是一個幫我們探索和擴展特征工程技術和逐漸了解多角度購物經(jīng)驗的經(jīng)典數(shù)據(jù)集。數(shù)據(jù)集有537576 行12 列。

數(shù)據(jù)集

見文件數(shù)據(jù)集有537576 行12 列

環(huán)境需求

Anaconda2 + pycharm + numpy + pandas + matplotlib + scikitlearn + RF

運行結果

代碼實現(xiàn):

#TODO: BlackFriday EDA
#關于一家零售店黑色星期五的55 萬次觀測數(shù)據(jù)
#它包含不同類型的變量，無論是數(shù)值變量還是類別型變量
# todo：1.Libraies
# 我們將會使用Pandas,Numpy,Seaborn 和Matplotlib 庫進行分析
#Warnings
import warnings
warnings.filterwarnings("ignore")
import pandas as pd
import numpy as np
#可視化
import seaborn as sns
import matplotlib.pyplot as plt
import os
# print os.listdir("E:\Python\BlackFriday") # To return the
which files list containdec
sns.set(style="darkgrid")
# plt.rcParams["patch.force_edgecolor"]= True # matplotlib
中rcParams 主要用來設置圖像像素，畫圖的分辨率,大小等信息
# patch.force_edgecolor 打開全球的邊緣
#TODO:數(shù)據(jù)加載與特征提取
df=pd.read_csv("BlackFriday.csv")
# print df.head(2)
# User_ID Product_ID Gender Age Occupation
City_Category \
# 0 1000001 P00069042 F 0-17 10
A
# 1 1000001 P00248942 F 0-17 10
A
#
# Stay_In_Current_City_Years Marital_Status
Product_Category_1 \
# 0 2 0
3
# 1 2 0
1
#
# Product_Category_2 Product_Category_3 Purchase
# 0 NaN NaN 8370
# 1 6.0 14.0 15200
# print df.info()
# print df.shape
# RangeIndex: 537577 entries, 0 to 537576
# Data columns (total 12 columns):
# User_ID 537577 non-null int64
# Product_ID 537577 non-null object
# Gender 537577 non-null object
# Age 537577 non-null object
# Occupation 537577 non-null int64
# City_Category 537577 non-null object
# Stay_In_Current_City_Years 537577 non-null object
# Marital_Status 537577 non-null int64
# Product_Category_1 537577 non-null int64
# Product_Category_2 370591 non-null float64
# Product_Category_3 164278 non-null float64
# Purchase 537577 non-null int64
# dtypes: float64(2), int64(5), object(5)
# memory usage: 49.2+ MB
# None
# (537577, 12)
#TODO: 缺失值的處理
total_miss=df.isnull().sum() #對應特征缺失值總數(shù)
# print total_miss
# User_ID 0
# Product_ID 0
# Gender 0
# Age 0
# Occupation 0
# City_Category 0
# Stay_In_Current_City_Years 0
# Marital_Status 0
# Product_Category_1 0
# Product_Category_2 166986
# Product_Category_3 373299
# Purchase 0
# dtype: int64
# print total_miss
per_miss= total_miss/df.isnull().count() # 每列對應特征
的nan 數(shù)/ 所有特征nan 乘以100 對應特征的缺失比值
# print total_miss/df.isnull().count()*100 # 每列對應特征的
nan 數(shù)/ 所有特征nan 乘以100
# User_ID 0.000000
# Product_ID 0.000000
# Gender 0.000000
# Age 0.000000
# Occupation 0.000000
# City_Category 0.000000
# Stay_In_Current_City_Years 0.000000
# Marital_Status 0.000000
# Product_Category_1 0.000000
# Product_Category_2 31.062713
# Product_Category_3 69.441029
# Purchase 0.000000
# dtype: float64
missing_data = pd.DataFrame({'Total missing':total_miss,
'% missing':per_miss})
# print missing_data
# print missing_data.sort_values(by='Total
missing',ascending=False).head(3)
# % missing Total missing
# Product_Category_3 0.694410 373299
# Product_Category_2 0.310627 166986
# User_ID 0.000000 0
#由于大多數(shù)產(chǎn)品只屬于一個類別，所以少一些產(chǎn)品有第二個類別是
有意義的，更不用說第三個類別了。
# TODO :唯一值
#探討數(shù)據(jù)中特征中的唯一值。總共有537577
# print "Unique Values for Each Feature:\n"
# print df.columns
# Index([u'User_ID', u'Product_ID', u'Gender', u'Age',
u'Occupation',
# u'City_Category', u'Stay_In_Current_City_Years',
u'Marital_Status',
# u'Product_Category_1', u'Product_Category_2',
u'Product_Category_3',
# u'Purchase'],
# dtype='object')
# for i in df.columns: # i 對應就是columns 中的每一列
# print i,':',df[i].unique()
#todo:關于產(chǎn)品信息
# print "Number of products:",df['Product_ID'].unique()
# print "Number of products
Numbers:",len(df['Product_ID'].unique().tolist())
# print "Number of
categories:",df["Product_Category_1"].unique().max()
# print "Highest and lowest
purchase:",df['Purchase'].max(),',',df['Purchase'].min()
# Number of products: ['P00069042' 'P00248942'
'P00087842' ..., 'P00038842' 'P00295642'
# 'P00091742']
# Number of products Numbers: 3623
# Number of categories: 18
# Highest and lowest purchase: 23961 , 185
#todo:關于買家信息
# print "Number of shoppers:",df['User_ID'].unique()
# print "Shoppers 數(shù)
量:",len(df['User_ID'].unique().tolist())
# print "Years in
city:",df['Stay_In_Current_City_Years'].unique()
# print "Age Group:",df['Age'].unique()
# Number of shoppers: [1000001 1000002 1000003 ..., 1004113
1005391 1001529]
# Shoppers 數(shù)量: 5891
# Years in city: ['2' '4+' '3' '1' '0']
# Age Group: ['0-17' '55+' '26-35' '46-50' '51-55' '36-45'
'18-25']
#TODO:Gender
#首先，通過查看每個條目的數(shù)量來確定數(shù)據(jù)是否按性別均勻分布；
count_m=df[df['Gender']=='M'] #在DataFrame 中選擇性別為M
的所有數(shù)據(jù)
# print df['Gender']=='M'
# print count_m
count_m_count=df[df['Gender']=='M'].count()
count_m_count=df[df['Gender']=='M'].count()[0]
# print count_m_count
# User_ID 405380
# Product_ID 405380
# Gender 405380
# Age 405380
# Occupation 405380
# City_Category 405380
# Stay_In_Current_City_Years 405380
# Marital_Status 405380
# Product_Category_1 405380
# Product_Category_2 280741
# Product_Category_3 127346
# Purchase 405380
# dtype: int64
# User_ID Product_ID Gender Age Occupation
City_Category \
# 4 1000002 P00285442 M 55+ 16
C
# 5 1000003 P00193542 M 26-35 15
A
# 6 1000004 P00184942 M 46-50 7
B
# 7 1000004 P00346142 M 46-50 7
B
# 8 1000004 P0097242 M 46-50 7
B
# 9 1000005 P00274942 M 26-35 20
A
# print
"count_m_count=df[df['Gender']=='M'].count()[0]:",df[df['Ge
nder']=='M'].count()[0]
#count_m_count=df[df['Gender']=='M'].count()[0]: 405380
count_f = df[df['Gender']=='F'].count()[0]
print "Number of male clients:",count_m_count
print "Number of female clients:",count_f
# 男客戶數(shù)量: 405380
# 女客戶數(shù)量: 132197
#我們可以看到記錄的男性客戶數(shù)量超過4 次記錄的女性客戶數(shù)量。
因此，通過使用比率而不是計算每條數(shù)據(jù)來分析性別將更加信息化。
讓我們看看每個性別的多少每個人均消費
print "Female
Purchases:",round(df[df["Gender"]=='F']['Purchase'].sum()/c
ount_f)
print "Male
Purchases:",round(df[df["Gender"]=='M']['Purchase'].sum()/c
ount_m_count)
# Female Purchases: 8809.0 女性人均消費
# Male Purchases: 9504.0 男性分均消費
#圖形繪制
# nunique() Return number of unique elements in the object.
plt.pie(df.groupby('Gender')['Product_ID'].nunique(),labels
=['Male','Female'],
shadow=True,
autopct='%1.1f%%',colors=['steelblue','cornflowerblue'])
plt.title('Unique Item Purchases by Gender')
plt.show()
print df.groupby('Gender')['Product_ID'].nunique()
# F 3358
# M 3582
# Name: Product_ID, dtype: int64
#雖然差不多，但女性確實購買了比男性更多的產(chǎn)品?，F(xiàn)在，讓我們
根據(jù)產(chǎn)品類別分析每個性別購買的比例。
#按照性別進行分組
print "===================="
# print df[df['Gender'] == 'M']
# User_ID Product_ID ... Product_Category_3
Purchase
# 4 1000002 P00285442 ... NaN
7969
# 5 1000003 P00193542 ... NaN
15227
# 6 1000004 P00184942 ... 17.0
19215
# 7 1000004 P00346142 ... NaN
15854
gender = df[df['Gender'] == 'M'][['Product_Category_1',
'Gender']] # 針對過濾為男性用戶的數(shù)據(jù)進行選取
Product_Category_1 Gender
# print gender
# Product_Category_1 Gender
# 4 8 M
# 5 1 M
# 6 1 M
#todo:品類1 中的男性用戶數(shù)量
gb_gender_m = df[df['Gender'] == 'M'][['Product_Category_1',
'Gender']].count()
print "gb_gender_m:\n",gb_gender_m
gb_gener_f = df[df['Gender'] == 'F'][['Product_Category_1',
'Gender']].count()
# print "gb_gender_f:\n",gb_gener_f
# gb_gender_m:
# Product_Category_1 405380
# Gender 405380
# dtype: int64
# gb_gender_f:
# Product_Category_1 132197
# Gender 132197
#連接并更改列名稱
print "---------------------------------"
cat_bygender=pd.concat([gb_gender_m,gb_gener_f],axis=1)
# print cat_bygender
# 0 1
# Product_Category_1 405380 132197
# Gender 405380 132197
cat_bygender.columns=['M ratio','F ratio']
# print cat_bygender
# M ratio F ratio
# Product_Category_1 405380 132197
# Gender 405380 132197
#調整以比率
cat_bygender['M ratio'] = cat_bygender['M
ratio']/df[df['Gender']=='M'].count()[0]
cat_bygender['F ratio'] = cat_bygender['F
ratio']/df[df['Gender']=='F'].count()[0]
# print df[df['Gender']=='M'].count()
# User_ID 405380
# Product_ID 405380
# Gender 405380
# Age 405380
# Occupation 405380
# City_Category 405380
#Create likelihood of one gender to buy over the other
cat_bygender['Likelihood (M/F)']=cat_bygender['M
ratio']/cat_bygender['F ratio']
cat_bygender['Total Ratio'] = cat_bygender['M
ratio']+cat_bygender['F ratio']
cat_bygender.sort_values(by='Likelihood
(M/F)',ascending=False)
# print cat_bygender
#TODO:Age
# Age 值是字符串，我們現(xiàn)在對每個組進行編碼，以便它們可以用機
器學習算法可以理解的整數(shù)值表示
#年齡組編碼
df['Age_Encoded'] = df['Age'].map({'0-17':0,'18-25':1,
'26-35':2,'36-45':3,
'46-50':4,'51-55':5,
'55+':6})
prod_byage = df.groupby('Age').nunique()['Product_ID']
fig,ax = plt.subplots(1,2,figsize=(14,6))
ax = ax.ravel()
sns.countplot(df['Age'].sort_values(),ax=ax[0],
palette="Blues_d")
ax[0].set_xlabel('Age Group')
ax[0].set_title('Age Group Distribution')
sns.barplot(x=prod_byage.index,y=prod_byage.values,ax=ax[1]
, palette="Blues_d")
ax[1].set_xlabel('Age Group')
ax[1].set_title('Unique Products by Age')
plt.show()
#很明顯，客戶中最大的年齡組是26-35 歲。有趣的是，就數(shù)量而言，
產(chǎn)品購買的分布在各年齡組之間差異不大。這意味著，雖然26-35
歲年齡組是最受歡迎的，但其他年齡組購買的幾乎與他們一樣多。但
這是否意味著在年齡組中花費的金額是相同的？讓我們來看一下
spent_byage = df.groupby(by='Age').sum()['Purchase']
plt.figure(figsize=(12,6))
sns.barplot(x=spent_byage.index,y=spent_byage.values,
palette="Blues_d")
plt.title('Mean Purchases per Age Group')
plt.show()
#我們的數(shù)據(jù)清楚地表明，每個年齡組的資金數(shù)額與年齡組內(nèi)的客戶
數(shù)量成正比。這可能是商店的有價值的信息，因為它可能希望在未
來添加更多針對該年齡組的產(chǎn)品，或者可能致力于營銷不同的項目以
增加其客戶年齡組的更廣泛的多樣性。
#TODO: Occupation
# This sections draws some insights on our data in terms of the
occupation of the customers.
plt.figure(figsize=(12,6))
sns.countplot(df['Occupation'])
plt.title('Occupation Distribution')
plt.show()
plt.figure(figsize=(12,6))
prod_by_occ =
df.groupby(by='Occupation').nunique()['Product_ID']
sns.barplot(x=prod_by_occ.index,y=prod_by_occ.values)
plt.title('Unique Products by Occupation')
plt.show()
spent_by_occ = df.groupby(by='Occupation').sum()['Purchase']
plt.figure(figsize=(12,6))
sns.barplot(x=spent_by_occ.index,y=spent_by_occ.values)
plt.title('Total Money Spent per Occupation')
plt.show()
#再一次，每個職業(yè)所花費的平均金額的分配似乎反映了每個職業(yè)中
人數(shù)的分布。從數(shù)據(jù)科學的角度來看，這是幸運的，因為我們沒有
使用奇怪或突出的功能。我們在年齡和職業(yè)方面的數(shù)據(jù)似乎很有意
義。
#TODO: Products
#這里，我們探索產(chǎn)品本身。這很重要，因為我們在此數(shù)據(jù)集中沒有
標記的項目。從理論上講，客戶可以在4 臺新電視或10,000 支筆上
花費5,000 美元。這種差異對商店很重要，因為他們的利潤受到影
響。由于我們不知道這些項目是什么，讓我們探索項目的類別。
plt.figure(figsize=(12,6))
prod_by_cat =
df.groupby('Product_Category_1')['Product_ID'].nunique()
sns.barplot(x=prod_by_cat.index,y=prod_by_cat.values,
palette="Blues_d")
plt.title('Number of Unique Items per Category')
plt.show()
#類別標簽1,5 和8 顯然具有最多的項目。這可能意味著商店以該項
目而聞名，或者該類別是廣泛的。
category = []
mean_purchase = []
for i in df['Product_Category_1'].unique():
category.append(i)
category.sort()
for e in category:
mean_purchase.append(df[df['Product_Category_1']==e]['Purch
ase'].mean())
plt.figure(figsize=(12,6))
sns.barplot(x=category,y=mean_purchase)
plt.title('Mean of the Purchases per Category')
plt.xlabel('Product Category')
plt.ylabel('Mean Purchase')
plt.show()
#有趣的是，我們最受歡迎的類別并不是那些賺錢最多的類別。這似
乎是一個大商店，他們可能會意識到這一點。然而，對于可能不知
道的較小商店的情況，可以使用相同形式的分析，并且它可能非常有
用。
#TODO: Estimate of price and quantity of purchase
#由于“購買”功能暗示客戶為某個項目的未知金額支付了多少錢，
因此我們大膽假設產(chǎn)品支付的最低購買金額是所述商品的價格
#最低購買量的產(chǎn)品
prod_prices =
df.groupby('Product_ID').min()['Purchase'].to_dict()
#現(xiàn)在，每個商品ID 的購買價值按人們可以購買的商品數(shù)量進行分
組。然后，下面計算的價格和數(shù)量是一個估計，但它將是一個非常
好的
def find_price(row):
prod = row['Product_ID']
return prod_prices[prod]
df['Price'] = df.apply(find_price,axis=1)
df['Amount'] = round(df['Purchase']/df['Price']).astype(int)

推薦了解：
大數(shù)據(jù)培訓
人工智能+python培訓
大數(shù)據(jù)培訓